随着海洋经济的快速发展,水下环境中进行监测与维护的需求变得愈发强烈。水下目标检测和腐蚀评估作为其中的关键性技术,其研究成果对于海洋科学、资源开发、环境保护以及国防安全等领域具有极其深远的意义。
然而,在实际研究过程中,水下环境的复杂性,如低能见度、高盐度、频繁的微生物活动以及温度和压力的极端变化等因素,给水下目标检测和腐蚀评估任务带来了一系列的挑战:水下光照不足和水体的浑浊会增加捕捉和目标识别的难度;水中的盐分和微生物会加快水下物体的腐蚀速率;水下压强和温度的变化会影响传感器的性能和采集数据的准确性等。 近年来,深度学习技术的发展为解决这些挑战提供了一些新的思路。深度学习技术,尤其是卷积神经网络(CNN)和生成式对抗网络(GAN)等,在特征自动学习、图像增强和数据生成方面带来了革命性的变化。 通过从大量数据中学习相应的特征表示,深度学习模型能够在复杂的水下环境中完成高精度的目标检测和腐蚀评估任务。 深度学习技术在水下目标检测中的应用 传统的水下目标检测技术受限于水下环境的复杂性和特殊性,主要依赖声呐系统和图像处理技术,且很多工作需要人工潜入水下完成。然而,这些方法不仅准确性有限、操作难度高,而且难以满足高精度要求,甚至存在极大的安全风险。 为了解决这些问题,逐步发展出了自主式水下航行器(AUV)、遥控式水下航行器(ROV)、自主式水面航行器(ASV)和无人驾驶飞行器(UAV)等技术,这些技术已在水下结构物病害检测和缺陷检测、渔业养殖、海上资源勘探和海上风电等领域得到广泛应用。然而,这些技术在实际应用中仍面临续航时间短、数据传输难等问题。 深度学习是一种机器学习技术,利用多层神经网络模拟人脑,从大量数据中进行自动化的预测和分类。借助深度学习技术卓越的特征提取和模式识别能力,水下目标检测的性能得到了显著提升,水下目标检测技术进入了新的时代。 水下目标检测技术通常依赖于水下图像增强技术来提高图像质量,然后利用水下目标检测算法来实现目标检测任务。因此,将其分为水下图像增强技术和水下目标检测算法两部分来介绍。 水下图像增强技术 受到水下环境复杂性的影响,水下图像常常存在模糊、噪声、色彩失真等问题。水下图像增强是指通过各种图像处理技术和算法,改善水下图像的质量和清晰度,以便更好地分析和识别水下场景中的目标特征,是提高水下目标检测任务性能的重要步骤,可通过物理模型方法、非物理模型方法和数据驱动方法三个方面来实现。 物理模型方法 物理模型方法是基于水下光学成像模型来实现图像增强的方法。通过建立水下光传播过程的数学模型,考虑光线的散射、吸收和衰减等因素,以恢复原始图像中丢失的信息。 暗通道先验(DCP)和多尺度Retinex算法是常用的物理模型方法。 暗通道先验首先假设场景中存在一个全局的光照,通过这个假设推断出场景的阴影和光照信息,进而恢复图像;多尺度Retinex算法则是模拟人眼对光照和反射的感知来改善图像的色彩和对比度。 非物理模型方法 非物理模型方法即不依赖于对物理过程的精确建模,主要基于局部对比度增强、直方图均衡化(HE)及其改进技术,如自适应直方图均衡化(AHE)、对比度受限自适应直方图均衡化(CLAHE)等技术,通过调整图像的亮度和对比度来改善图像的视觉效果。 这些技术目前在水下目标检测方面的应用较为少见,有研究人员尝试使用它们来增强水下机器人拍摄的结构病害图像的对比度,但是更多的水下应用场景还有待发掘。 数据驱动方法 数据驱动方法的策略是利用深度学习技术,尤其是卷积神经网络和生成式对抗网络,训练模型自动学习并进行水下图像增强。 这种方法通过大量的水下图像数据训练网络,使其能够学习到水下图像中的特征和纹理信息,以及如何从模糊和噪声中恢复图像的细节,并生成更清晰、更真实的图像。 此外,门控跨域协作网络(GCC-Net)也被用于解决水下目标检测中低对比度和能见度的问题。陈瑜提出了一种联合双颜色空间恢复和多级解码结构的水下图像增强方法,并通过试验验证了其在颜色和对比度方面的增强效果。 水下目标检测算法 水下目标检测算法是指一类专门设计用于分析和处理水下图像或视频数据,以识别和定位水下环境中各种目标(如生物、物体、结构等)的计算机程序或数学模型。 水下目标检测算法的核心挑战在于水下环境的复杂性,需要能够适应低对比度、模糊和不均匀的光照条件。 卷积神经网络 卷积神经网络是大多数水下目标检测算法使用的基本网络结构。这类网络结构通常包括不同的变体,如区域卷积神经网络(R-CNN)、YOLO和单镜头多盒检测器(SSD)等,它们通过在图像上滑动窗口或使用锚框来检测水下目标,是近期研究成果较多的方法。 R-CNN系列算法是目标检测领域的重要里程碑,尤其是FasterR-CNN。FasterR-CNN是一种两阶段的目标检测算法,首先使用区域提议网络(RPN)生成候选区域,然后对这些区域进行精确的边界框回归和分类。FasterR-CNN在速度和准确性之间取得了较好的平衡,适用于需要高精度检测的场景。 YOLO系列算法是一类高效的一阶段目标检测算法,通过将目标检测任务视为一个回归问题,直接在输入图像上预测边界框的坐标和类别概率。之前的研究大多基于YOLOv4及以下的版本,随着技术的发展和迭代,已经有更多版本的YOLO算法被提出并成为研究主流,目前常用的有YOLOv5、YOLOX、YOLOv7和YOLOv8等。 SSD系列算法也是一种一阶段目标检测算法,它能够在不同尺度的特征图上预测目标的边界框,同时检测不同大小的物体。SSD算法在实时性方面表现良好,适合于需要快速检测的应用场景。 数据集 数据集通常包含真实世界中的水下图像,这些图像通常由潜水员或水下机器人等设备拍摄。同时,为了确保模型的泛化能力,数据集需要包含多种水下环境(如珊瑚礁、深海、沉船遗址等)、光照条件、水质(清晰或浑浊)、深度和目标类型(如鱼类、海洋哺乳动物、人造物体等)。每个图像或视频帧都需要有精确的目标标注。 有研究总结了现有的一些水下目标检测数据集,包括Wild Fish Marker、Fishclef2014、Fishclef2015、Seaclef2016等,并分析了这些数据集各自的特点和局限性。在实际研究中,数据集的选择和构建对于算法的性能至关重要。 深度学习在水下腐蚀评估中的应用 水下腐蚀评估是水下基础设施维护中的重要组成部分。材料在水下环境中通常要比在陆地上更容易受到腐蚀。因此,及时准确地评估腐蚀状态对于确保水下结构的完整性和安全性至关重要。 传统的水下腐蚀评估是通过挂片法、电位测量、超声波探测、电化学噪声、电阻探针以及无线网络系统控制和水下机器人等技术来完成的。这些方法能够提供材料腐蚀速率、内部缺陷、应力状态等信息,帮助制定有效的维护和修复策略,但存在一定的局限性,如成本高昂、效率低,难以实现对大面积结构的连续和实时监测等。通常需要根据具体的环境条件和检测要求,将这些技术结合使用以实现最佳的检测效果,这无疑增加了水下作业的难度。 深度学习因其先进的图像处理和模式识别技术,使得其在水下腐蚀评估中的应用具有值得期待的潜力。深度学习模型通过从大量的水下图像数据中自动学习和提取与腐蚀有关的特征,能够正确识别腐蚀类型以及对腐蚀的严重程度进行评估,从而为日常维护和后续修缮提供参考。 另外,深度学习技术也可以增强水下图像的质量,提高低能见度条件下的腐蚀检测能力。 相较于传统方法,基于深度学习的评估体系能够在无人值守的情况下,实现大面积、长时间跨度的连续监测,大大降低了人力和经济成本,提高了工作效率。 随着深度学习技术的进一步优化和完善,在积累了足够的数据后甚至有可能在保证可靠性、准确性和识别效率的前提下实现对水下腐蚀后续发展趋势的精准预测,这是传统方法难以做到的。 深度学习技术在水下腐蚀评估中的应用步骤包括图像数据的准备和预处理、模型开发与训练、腐蚀状态的识别与评估以及腐蚀状态的预测与监测。 01 图像数据的准备和预处理 在水下环境中,图像数据的质量受到多种因素的影响,从而影响人们准确评估腐蚀状态。因此,图像数据的准备和预处理是非常关键的第一步。其中包括使用水下摄像设备捕获图像,以及对获取的腐蚀图像进行去噪、对比度增强等处理过程。 在水下腐蚀图像预处理与增强方面,已经有一系列的方法和技术可改善水下环境中图像质量和提高腐蚀评估的准确性。 例如,应用直方图均衡化技术(如CLAHE算法)可显著提高图像的对比度,使原本不明显的腐蚀区域更加突出;Gray World算法则通过颜色校正来改善图像的视觉质量,使其更接近真实场景;在对比度增强的基础上,还可应用Retinex算法进一步优化图像,该算法通过分离图像的光照和反射分量来恢复图像的局部对比度,使腐蚀特征在图像中更加明显。 有研究对比了这三种算法在实际应用中的效果,结果表明三者中Gray World算法在提高训练网络精度方面表现最好。 除了上面提到的技术,研究人员也尝试采用深度学习方法来进一步提升水下腐蚀图像的质量。无论是通过直接的图像恢复和增强技术,还是通过提高锈蚀检测的准确性和分割的精确性,这些方法都能够为水下腐蚀评估提供更高质量的图像,从而为结构安全评估和维护决策提供更可靠的依据。 02 模型选择与训练 合适的深度学习模型对于实现快速、准确的腐蚀检测来说举足轻重。在选择与训练水下腐蚀评估深度学习模型时,首先需要收集和预处理大量的水下图像或数据;然后,选择合适的深度学习模型来完成训练。 常用的模型包括MaskR-CNN、YOLO和U-Net等为图像分割任务设计的网络,可实现较为精准的腐蚀区域识别及分割。 在YOLO、MaskR-CNN和标准CNN三种模型中,MaskR-CNN模型在水下数据集上的表现最佳。而结合双注意力机制和U-Net网络构建的锈蚀区域分割模型,可以提高对小样本数据集的识别准确率和速度。 除了上述的图像分割模型之外,支持向量机回归(SVR)模型等也为腐蚀评估提供了一些实用的方法。 在模型训练时,不仅要选择合适的模型,还要有合适的数据集,模型需要通过大量的标注数据来学习和识别腐蚀特征。MaskR-CNN在原始图像上可以达到77.1%的平均精度,证明了其在实例分割任务中的有效性。 目前研究人员已经收集到的数据集包括3C钢、低合金钢、铜合金等材料的腐蚀数据,涵盖了不同的海水环境因素,如温度、盐度和pH等。SOARES等也创建了一个合成数据集,通过改变图像的伽马变量来模拟水下图像的浑浊度。 完成对模型的训练和验证后,模型就可以被部署到实际的水下检测任务中,应用场景包括集成到实时水下管道腐蚀检查的机器人系统中,嵌入到遥控式水下航行器或自动化监测系统中,并根据模型在实际应用中的表现对其进行持续地改进和迭代。 随着更多数据的收集和新技术的发展,模型可以通过迁移学习、微调和再训练等方法进行更新,以提高其检测性能和适应新的挑战。 03 腐蚀状态的识别与评估 在深度学习模型训练成功之后,利用这些模型对水下结构的腐蚀状态进行细致和全面地识别与评估,从而为维护和修复工作提供证据支持。这个过程通常包括图像的自动分割、腐蚀区域的精确定位以及腐蚀程度的定性分析等。 YOLO、MaskR-CNN等实例分割模型能够输出每个腐蚀区域的精确边界,并为每个分割的区域分配一个类别标签,从而精确定位每个腐蚀的位置。特别是一些结合了注意力机制的深度学习模型,能够自动关注图像中最重要的部分,从而提高腐蚀区域定位的准确性。 深度学习模型还能够对腐蚀状态进行评估,包括确定腐蚀类型(如点蚀、全面腐蚀等)和评估腐蚀程度(如无腐蚀、轻度腐蚀、中度腐蚀、重度腐蚀),可实现腐蚀状态的自动分类。 SOARES等提出的一种基于卷积神经网络的方法可以识别水下图像中不同的腐蚀程度。在原始图像上叠加分割区域和标注腐蚀程度,可以快速识别出需要紧急处理的腐蚀区域,从而制定有效的维护策略。 在腐蚀状态的识别与评估方面,深度学习模型的应用不只局限于静态的图像分析。结合时间序列数据,深度学习模型可以分析出腐蚀随时间变化的趋势。这种动态评估能力对于长期监测和维护计划的制定尤为重要,可以提前发现潜在的腐蚀问题,避免事故的发生。 04 腐蚀状态的监测与预测 在完成上述三部分的任务之后进行腐蚀状态的监测与预测,这是确保水下结构长期安全运行的有效手段。 在腐蚀状态的监测方面,深度学习模型通常集成在自动化的水下监测系统中,以实现对腐蚀状态的连续监控。这些系统使用高分辨率的水下摄像头持续获取结构表面的图像,并将这些图像传输到搭载深度学习模型的分析平台。模型实时处理图像数据,及时发现新的腐蚀迹象,或者监测已知腐蚀区域的变化。如果监测到潜在的腐蚀问题,系统会立即发出警报,通知维护团队进行进一步的检查或采取紧急措施。 在腐蚀状态的预测方面,深度学习模型通过分析历史腐蚀数据和当前环境因素,结合实时监测数据,来预测特定区域可能出现的腐蚀情况以及特定条件下的腐蚀速率,帮助制定更为精确的维护计划。 基于遗传算法优化反向传输法(GA-BP)神经网络在铜合金海洋腐蚀预测方面的应用已经证明了其有效性,结合BP神经网络和遗传算法不仅提高了GA-BP神经网络的预测精度,还加快了训练速度。 这种结合传统神经网络和进化算法的方法,为处理复杂的腐蚀数据提供了一种新的视角,并在实际应用中展现出良好的泛化能力。 LI等提出了一个基于主成分分析(PCA)、人工蜂群算法(ABC)和支持向量机回归新的数据驱动的腐蚀预测模型PCA-ABC-SVR。该模型在预测海底原油管道腐蚀速率方面表现出色,与其他模型相比,在预测准确性和结果稳定性方面都具有明显优势。这表明通过综合运用多种数据分析技术,可以显著提升腐蚀状态预测的性能。 而在预测特定材料在特定环境中的腐蚀行为时,基于人工神经网络(ANN)模型的表现令人翘首。它能够有效预测合金600在初级水应力腐蚀开裂中的裂纹生长速率,结合敏感性分析,研究人员能够识别出影响腐蚀速率的关键因素。这种深入的分析有助于更好地理解腐蚀机制,从而为材料的设计和防腐蚀措施的制定提供指导。 人工神经网络的作用还不止于此,还有研究人员将其应用于其他的水下腐蚀研究中。DE等生成了一个人工神经网络集成模型,以改善管道腐蚀速率和缺陷分布的预测精度。该方法结合了管道的几何特征、多相流参数和确定性模型等来提高预测性能。WEI等研究了在三亚海水环境中低合金钢中关键合金元素对耐蚀性的影响,并使用人工神经网络和数据驱动模型来预测低合金钢的耐蚀性。通过数据挖掘技术,确定了影响低合金钢腐蚀情况的关键合金元素,并可视化了这些元素对腐蚀潜力的影响,为开发高质量、低成本的低合金钢提供了直观的数据支撑。 总结与展望 水下目标检测和腐蚀评估都是为水下环境作业提供支持和保障的关键技术。水下目标检测通过识别和定位水下物体,帮助人们更好地理解和探索水下世界;腐蚀评估则通过评估水下结构的腐蚀程度来预防潜在的安全风险,确保其安全运行。 值得注意的是,尽管深度学习技术在水下目标检测和腐蚀评估的应用已较为成熟,但仍有一些问题可以探讨。
免责声明:本网站所转载的文字、图片与视频资料版权归原创作者所有,如果涉及侵权,请第一时间联系本网删除。
官方微信
《腐蚀与防护网电子期刊》征订启事
- 投稿联系:编辑部
- 电话:010-62316606
- 邮箱:fsfhzy666@163.com
- 腐蚀与防护网官方QQ群:140808414